텍스트 분류의 TF-IDF 기준선, 먼저 지킬 계약을 적어 보기

텍스트 문제에서 복잡한 모델부터 선택하면 데이터와 평가의 기본 문제를 놓치기 쉽다.

새로운 기능을 붙일 때 구현 방법부터 고르면 무엇을 확인해야 하는지 뒤늦게 고민하게 된다. 이번 기록에서는 입력과 결과 사이에 반드시 유지할 약속을 먼저 적고, 작은 예제로 그 약속을 확인한다. 복잡한 설계보다 같은 동작을 다시 설명할 수 있는 기준 하나가 출발점이다.

동작보다 먼저 정할 기준

단어 빈도와 문서 빈도를 이용한 TF-IDF를 작은 기준선으로 사용한다. 토큰화와 전처리 규칙을 명시하고 어휘는 학습 문서에서만 구축한다.

이번에 확인할 질문: 입력과 실행 순서가 같을 때, 다른 동료도 같은 결과를 예상할 수 있는가?

작게 확인하는 예제

다음 예제는 핵심 조건을 드러내기 위한 출발점이다. 서비스의 전체 구현을 대신하지 않으므로 실제 입력 범위와 실패 처리 규칙을 함께 읽어야 한다.

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer(min_df=2, ngram_range=(1, 2))
train_matrix = vectorizer.fit_transform(train_documents)
test_matrix = vectorizer.transform(test_documents)

새 문서에 처음 나타난 단어와 자주 반복되는 단어가 어떻게 표현되는지 작은 문서 묶음으로 확인한다.

놓치기 쉬운 조건

기본 토큰화가 모든 언어에 적합한 것은 아니다. 한국어에서는 형태 변화와 띄어쓰기, 도메인 용어가 표현에 어떤 영향을 주는지 확인한다.

확인할 부분	살펴볼 내용
기준 동작	새 문서에 처음 나타난 단어와 자주 반복되는 단어가 어떻게 표현되는지 작은 문서 묶음으로 확인한다.
비교 조건	입력과 실행 순서를 고정하고 한 번에 한 조건만 바꾼다.
적용 범위	예제가 생략한 의존성과 실제 서비스의 제약을 구분한다.

다음 변경에 적용할 순서

1. 사용자에게 보이는 결과를 한 문장으로 적는다.
2. 정상 입력 하나와 경계 입력 하나를 같은 조건에서 비교한다.
3. 설명이 달라지는 부분을 코드나 문서의 명시적인 규칙으로 옮긴다.

처음 정한 계약은 영원한 정답이 아니다. 다만 바꾸려면 어떤 사용자가 영향을 받는지 함께 설명할 수 있어야 한다. 오늘의 기준을 짧게 남겨 두면 다음 변경에서 구현 취향과 제품의 약속을 구분하기 쉬워진다.